論文の概要: Online Network Source Optimization with Graph-Kernel MAB

• arxiv url: http://arxiv.org/abs/2307.03641v1
• Date: Fri, 7 Jul 2023 15:03:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 12:10:06.807428
• Title: Online Network Source Optimization with Graph-Kernel MAB
• Title（参考訳）: Graph-Kernel MABを用いたオンラインネットワークソース最適化
• Authors: Laura Toni, Pascal Frossard
• Abstract要約: 大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。 適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。 我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
• 参考スコア（独自算出の注目度）: 62.6067511147939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose Grab-UCB, a graph-kernel multi-arms bandit algorithm to learn online the optimal source placement in large scale networks, such that the reward obtained from a priori unknown network processes is maximized. The uncertainty calls for online learning, which suffers however from the curse of dimensionality. To achieve sample efficiency, we describe the network processes with an adaptive graph dictionary model, which typically leads to sparse spectral representations. This enables a data-efficient learning framework, whose learning rate scales with the dimension of the spectral representation model instead of the one of the network. We then propose Grab-UCB, an online sequential decision strategy that learns the parameters of the spectral representation while optimizing the action strategy. We derive the performance guarantees that depend on network parameters, which further influence the learning curve of the sequential decision strategy We introduce a computationally simplified solving method, Grab-arm-Light, an algorithm that walks along the edges of the polytope representing the objective function. Simulations results show that the proposed online learning algorithm outperforms baseline offline methods that typically separate the learning phase from the testing one. The results confirm the theoretical findings, and further highlight the gain of the proposed online learning strategy in terms of cumulative regret, sample efficiency and computational complexity.
• Abstract（参考訳）: 本稿では,先行する未知のネットワークプロセスから得られる報酬を最大化するために,大規模ネットワークにおける最適ソース配置をオンライン上で学習するグラフカーネルマルチアームバンディットアルゴリズムであるgrab-ucbを提案する。 この不確実性は、しかしながら次元性の呪いに苦しむオンライン学習を呼び起こす。 サンプル効率を達成するために,適応グラフ辞書モデルを用いてネットワークプロセスを記述する。 これにより、ネットワークの1つではなくスペクトル表現モデルの次元で学習率がスケールするデータ効率の学習フレームワークが可能になる。 次に,行動戦略を最適化しながらスペクトル表現のパラメータを学習するオンライン逐次決定戦略であるGrab-UCBを提案する。 本稿では,ネットワークパラメータに依存する性能保証を導出し,逐次決定戦略の学習曲線にさらに影響を与え,目的関数を表すポリトープのエッジに沿って歩くアルゴリズムであるgrab-arm-lightを提案する。 シミュレーションの結果、提案したオンライン学習アルゴリズムは、通常、学習フェーズとテストフェーズを分離するベースラインオフラインメソッドよりも優れていた。 その結果,理論的な知見を確認し,累積的後悔,サンプル効率,計算複雑性の観点から,オンライン学習戦略の高まりを浮き彫りにした。

関連論文リスト

• Learning How to Propagate Messages in Graph Neural Networks [55.2083896686782]
  本稿では,グラフニューラルネットワーク(GNN)におけるメッセージ伝搬戦略の学習問題について検討する。 本稿では,GNNパラメータの最大類似度推定を支援するために,最適伝搬ステップを潜時変数として導入する。 提案フレームワークは,GNNにおけるメッセージのパーソナライズおよび解釈可能な伝達戦略を効果的に学習することができる。
  論文  参考訳（メタデータ） (2023-10-01T15:09:59Z)
• Sensitivity-Aware Mixed-Precision Quantization and Width Optimization of Deep Neural Networks Through Cluster-Based Tree-Structured Parzen Estimation [4.748931281307333]
  本稿では,個々のニューラルネットワーク層に対して最適なビット幅と層幅を自動的に選択する革新的な探索機構を提案する。 これにより、ディープニューラルネットワークの効率が著しく向上する。
  論文  参考訳（メタデータ） (2023-08-12T00:16:51Z)
• Contrastive UCB: Provably Efficient Contrastive Self-Supervised Learning in Online Reinforcement Learning [92.18524491615548]
  対照的な自己指導型学習は、(深層)強化学習(RL)の実践にうまく統合されている 我々は,低ランク遷移を伴うマルコフ決定過程(MDP)とマルコフゲーム(MG)のクラスにおいて,コントラスト学習によってRLをどのように強化できるかを検討する。 オンライン環境下では,MDPやMGのオンラインRLアルゴリズムと対照的な損失を生かした,新しい高信頼境界(UCB)型アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-29T17:29:08Z)
• Provably Efficient Reinforcement Learning for Online Adaptive Influence Maximization [53.11458949694947]
  本稿では,リアルタイムフィードバックに基づいてシードノードを逐次活性化する,コンテンツ依存型オンライン影響問題の適応バージョンについて検討する。 提案アルゴリズムは,最適政策を楽観的に改善しつつ,ネットワークモデルの推定を保守し,適応的にシードを選択する。
  論文  参考訳（メタデータ） (2022-06-29T18:17:28Z)
• TSO: Curriculum Generation using continuous optimization [0.0]
  連続最適化に基づく簡便かつ効率的な手法を提案する。 エンコーダネットワークは、トレーニングシーケンスを連続空間にマップ/組込みする。 予測ネットワークは、戦略の連続表現を入力として使用し、固定ネットワークアーキテクチャの精度を予測する。
  論文  参考訳（メタデータ） (2021-06-16T06:32:21Z)
• A Heuristically Assisted Deep Reinforcement Learning Approach for Network Slice Placement [0.7885276250519428]
  本稿では,Deep Reinforcement Learning(DRL)に基づくハイブリッド配置ソリューションと,Power of Two Choices原則に基づく専用最適化を提案する。 提案したHuristically-Assisted DRL (HA-DRL) は,他の最先端手法と比較して学習プロセスの高速化と資源利用の促進を可能にする。
  論文  参考訳（メタデータ） (2021-05-14T10:04:17Z)
• Analytically Tractable Inference in Deep Neural Networks [0.0]
  Tractable Approximate Inference (TAGI)アルゴリズムは、浅いフルコネクテッドニューラルネットワークのバックプロパゲーションに対する実行可能でスケーラブルな代替手段であることが示された。 従来のディープニューラルネットワークアーキテクチャをトレーニングするために、TAGIがバックプロパゲーションのパフォーマンスとどのように一致するか、または上回るかを実証しています。
  論文  参考訳（メタデータ） (2021-03-09T14:51:34Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)
• RNN-based Online Learning: An Efficient First-Order Optimization Algorithm with a Convergence Guarantee [0.0]
  理論的には最適なネットワークパラメータに収束することを保証できる効率的な一階述語学習アルゴリズムを導入する。 我々のアルゴリズムは真にオンラインであり、収束を保証するための学習環境を仮定しない。
  論文  参考訳（メタデータ） (2020-03-07T16:31:22Z)
• Subset Sampling For Progressive Neural Network Learning [106.12874293597754]
  プログレッシブニューラルネットワーク学習は、ネットワークのトポロジを漸進的に構築し、トレーニングデータに基づいてパラメータを最適化するアルゴリズムのクラスである。 段階的なトレーニングステップ毎にトレーニングデータのサブセットを活用することで,このプロセスの高速化を提案する。 オブジェクト,シーン,顔の認識における実験結果から,提案手法が最適化手順を大幅に高速化することを示す。
  論文  参考訳（メタデータ） (2020-02-17T18:57:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。